予測分析

予測が構築されトレーニングされると、予測分析ページにアクセスできるようになる。このページは、好感度スコアやカテゴリーに基づいて、ターゲットとすべきユーザーを決定するのに役立つ。

予測がトレーニングされ、このページが入力されるとすぐに、セグメントやキャンペーンでフィルターを使い始め、モデルの出力を使い始めることができる。誰をターゲットにするのか、なぜターゲットにするのかを決める手助けが必要なら、このページがモデルの歴史的正確さとあなた自身のビジネス目標に基づいて手助けしてくれるだろう。

分析コンポーネント

• 可能性スコア
• ユーザーへのターゲット設定
• 予測品質
• 推定結果
• イベント相関表

可能性スコア

予測対象ユーザーには、0から100の間で尤度スコアが割り当てられる。スコアが高いほど、そのイベントをパフォーマンスする可能性が高くなる。

以下は、可能性スコアによってユーザーがどのように分類されるかである：

• 低：0から50の間
• ミディアム：50～75
• 高：75～100

得点と対応するカテゴリーは、予測作成ページで選択したスケジュールに従って更新される。尤度スコアが20の等しい大きさのバケツのそれぞれ、または尤度カテゴリのそれぞれにあるユーザーの数は、ページ上部のグラフに表示されている。

オーディエンスビルダーでユーザーをターゲティングする

予測対象ユーザー全体の尤度スコアの分布は、ページの上部に表示される。さらに右側のバケツにいるユーザーはスコアが高く、イベントを実行する可能性が高い。左寄りのバケツのユーザーは、イベントを実行する可能性が低い。チャートの下にあるスライダーでユーザーのセクションを選択し、そのユーザーをターゲットにした場合の結果を推定することができる。

スライダーのハンドルをさまざまな位置に動かすと、パネルの左半分にあるバーが、選択したターゲット層を使って予測対象ユーザー全体のうち何人のユーザーをターゲットにするかを知らせてくれる。

推定結果

チャートの下にあるパネルの右半分には、選択した予測対象ユーザーのうち、イベントを実行すると予想されるユーザー数と、実行しないと予想されるユーザー数という2つの方法で、選択した部分をターゲットにした場合の予想精度を示している。

選ばれた何人のユーザーがそのイベントを実行すると予想されるか

つまり、Brazeはイベントを実行する未来のユーザーをすべて識別できるわけではない。尤度スコアは、情報に基づいた信頼できる予測の集合のようなものだ。プログレスバーは、予測対象ユーザーで予想される「真陽性」のうち、選択したオーディエンスでターゲットになる数を示す。なお、メッセージを送らなくても、この数のユーザーがイベントを実行することを期待している。

選ばれたユーザーのうち、何人がそのイベントを実行しないと予想されるか

すべての機械学習モデルはエラーを起こす。選択したユーザーの中に、可能性スコアが高くても、実際にイベントを実行しないユーザーがいるかもしれない。あなたが何もアクションを起こさなければ、彼らはイベントをパフォーマンスしないだろう。いずれにせよ標的にされるのだから、これはエラーあるいは “偽陽性 “である。この2番目のプログレスバーの全幅は、イベントを実行しないユーザーの予想数を表し、塗りつぶされた部分は、現在のスライダーの位置を使用して、誤ってターゲットにされるユーザーである。

この情報をもとに、どれだけの真陽性を捕捉したいのか、どれだけの偽陽性をターゲットとして許容できるのか、エラーのコストはビジネスにとってどれくらいなのかを決めることをお勧めする。価値のあるプロモーションを発信している場合、チャートの左側を優先することで、非購入者（偽陽性）だけをターゲットにすることができる。あるいは、チャートの右側を好むユーザーのセクションを選択することで、よく購入してくれるバイヤー（トゥルーポジティブ）に再度購入してもらいたいと思うかもしれない。

予測品質

モデルの精度を測定するために、_予測品質_メトリックは、この特定の機械学習モデルがどの程度効果的であるかを示す。これは、この予測がイベント・パフォーマーとそうでないパフォーマーを見分けるのにどれだけ優れているかを示す指標である。_予測品質が_100であれば、誰がそのイベントを行うか、また行わないかをエラーなく完璧に把握していることを意味し（こんなことは決して起こらない！）、0であればランダムに推測していることを意味する。この指標の詳細については、「予測品質」を参照されたい。

以下は、様々な_予測クオリティの_範囲に対する我々の推奨である：

予測品質範囲(%)	推奨
60 - 100	非常に良い。トップクラスの精度。オーディエンスの定義を変更しても新たなメリットが得られる可能性はあまりありません。
40 - 60	良い。このモデルでは正確な予測が生成されますが、さまざまなオーディエンス設定を試すことで、さらに正確な結果が得られる可能性があります。
20 - 40	普通。このモデルでは正確で価値のある予測が提供されますが、さまざまなオーディエンス定義を試して、パフォーマンスが向上するかどうかを確認してみてください。
0 - 20	悪い。オーディエンスの定義を変更して、もう一度やり直すことをお勧めします。

予測は2週間ごとに再度トレーニングされ、予測品質指標とともに更新されるため、予測は常に最新のユーザー行動パターンに更新される。この再トレーニングが最後に行われた時刻は、予測リストページと予測分析ページに表示される。

予測が最初に作成されるとき、予測の質は、予測を構築するをクリックしたときに照会される履歴データに基づいている。その後2週間ごとに、予測スコアと実際の転帰を比較することで、予測の質が導き出される。

イベント相関表

この分析では、予測対象ユーザーのイベントに相関するユーザー属性や行動が表示される。評価される属性は、年齢、国、性別、言語である。分析される行動には、セッション、購入、総支出額、カスタムイベント、過去30日間に受けたキャンペーンやキャンバスステップなどが含まれる。

表はそれぞれ、そのイベントを行う可能性が高い方を左、低い方を右に分けている。各行について、左の列の行動またはアトリビューションを持つユーザーが、そのイベントを実行する可能性が高いか低いかの比率が、右の列に表示される。この数値は、この行動またはアトリビューションを持つユーザーの尤度スコアを、予測対象ユーザー全体からそのイベントを実行する尤度で割った比率である。

このテーブルは、予測が再学習するときにのみ更新され、ユーザーの尤度スコアが更新されるときには更新されない。